AI生成的合成图像，也能提高算法识别准确性？多伦多大学团队带来诊断新思路

人工智能能够提高医疗诊断的速度和准确性。但是，在利用人工智能的力量来识别X光图像等医疗影像，从而进行诊断和治疗之前，研究人员必须让算法学习究竟要识别哪些内容。对于某些较为罕见的疾病来讲，由于在监督学习环境下能够用来训练AI系统的图像非常稀缺，识别医学图像中的罕见病理成为了一个严峻的挑战。

为了解决这一问题，来自多伦多大学的Shahrokh Valaee教授团队设计了一种新方法，使用机器学习来生成X光图像，并与现实中的图像相结合形成增强数据集，从而拥有足够大的数据库来训练神经网络，以做出准确的诊断和治疗。

增强数据集示意图，图中分别显示了四种不同的病情。每种病情中的左上黑白图片为真实X光图像，右上黑白图片为DCGAN生成的合成X光图像；下方的彩色图片分别代表黑白图片中，AI算法识别出的疾病分布结果（图片来源：Hojjat Salehinejad/MIMLab）

研究人员使用一种名为深度卷积生成对抗网络（DCGAN）的AI技术，来生成X光图像，并不断对这些模拟图像进行改进。 生成对抗网络（GAN）是一种由两个神经网络组成的算法，其中一个生成图像，而另一个则会试图将这些生成的合成图像与真实图像区别开来，两个网络在这过程中不断对抗。当负责区分图像的神经网络无法区分生成网络生成的图像和真实图像时，就代表这个算法已经训练完成了。一旦算法生成了足够多的X光图像，研究人员就可以将这些图像与真实的X光图像相结合，并训练深度卷积神经网络来进行识别，进而利用这些图像进行医疗诊断。

研究人员将加入AI生成图像的增强数据集与原始数据集进行比较，发现在通常条件下，增强数据集识别的准确性提高了20%。对于一些罕见病理图像，其识别准确度提高了约40%。增强数据级的另外一个优势在于，由于这些合成的X光图像来源并不是某个现实中的患者，所以这些数据集可以随时提供给医院外的研究人员，不会存在隐私方面的问题。

“我们已经能够证明，由深度卷积生成对抗网络生成的人工数据可以用来增强真实数据集。这为我们训练AI算法提供了更多的数据，并改善了其在识别罕见疾病方面的表现，”Valaee教授表示：“这项研究显示，该增强数据集有助于提高识别的准确性，从而克服人工智能应用于医学领域时出现的障碍，这是非常令人兴奋的。只有在训练数据量足够大的情况下，深度学习技术才能发挥出最大的效果，而这也是确保我们拥有能够准确识别高精度图像神经网络的一种最佳方案。”

我们期待，这个新开发出的增强数据集在未来可以得到更广泛的应用，从而提高医疗诊断效率。

来源：药明康德AI